一种库外目标识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种库外目标识别方法及装置，方法包括：根据目标识别数据库，构建目标识别贝叶斯神经网络，网络权重服从概率分布；采用变分推理方法对贝叶斯网络进行近似，并进行重参数化表示；对网络进行训练，直至识别能力满足需求；在使用训练后网络进行类别预测时，多次输入待识别数据进行预测，基于得到的多次预测结果，计算目标类别预测不确定度，如果不确定度大于设定的阈值，则判断目标为库外目标，如果不确定度小于设定的阈值，则判断目标为库内目标，并选择平均预测概率最高的类别作为目标预测类别。本发明专利技术实施例在保证库内目标正确识别的同时，可有效对库外目标进行自动鉴别，进而可及时发现新的目标类别，以快速扩充目标模板库。扩充目标模板库。扩充目标模板库。

【技术实现步骤摘要】
一种库外目标识别方法及装置


[0001]本专利技术涉及目标识别技术，更具体地，本专利技术涉及一种库外目标识别方法及装置，适用于雷达、电子侦察、卫星遥感、光电等探测设备的目标识别问题。

技术介绍

[0002]目标识别是利用雷达、电子侦察、卫星遥感、光电等探测设备，基于历史经验知识，对目标身份进行判定的过程，在国防、民生领域应用十分广泛。以国防军事领域为例，目标识别具体是指对目标的军民、敌我、国家地区、类型、型号、名称等身份信息进行确定，譬如电子侦察装备利用获取的目标辐射电磁信号，实现目标类型、甚至型号的识别；光学、红外和高分辨雷达等装备利用获取的目标光学图像、红外图像、SAR图像或者一维距离像信息，可实现目标类型、型号、甚至名称等身份信息的识别；远距离预警雷达利用获取的目标回波强度信息，可实现目标大小、甚至目标军民识别等。
[0003]传统的目标识别技术主要由特征工程、模板库构建和模板匹配等三大部分组成，各部分内容具体为：首先开展特征工程，即根据雷达、电子侦察、卫星遥感、光电等探测设备原理和获取信息的特点，构建与目标身份相关的目标特征；然后构建模板库，即利用历史数据，建立目标识别模板库，库中的每条样本数据为目标特征数据，样本标签为目标特征对应的目标真实身份，一般由人工标注；最后，对于探测设备新获取的信息，计算目标特征数据，通过与模板库进行匹配，来实现目标身份识别。随着以卷积神经网络、循环神经网络、注意力机制为代表的深度学习人工智能技术快速发展和空前成功，深度学习技术在各行各业广泛应用。目前，基于深度学习的目标识别技术发展迅速，譬如基于卷积神经网络的遥感图像、SAR图像或光学图像目标识别技术，基于循环神经网络的雷达一维距离像目标识别技术。在具体技术实现上，基于深度学习的目标识别技术与传统目标识别技术具有显著的不同，基于深度学习的目标识别技术通过神经网络训练，把训练数据集中包含的规律知识转换为神经网络的权重，进而直接实现了特征工程的端到端学习和目标身份的直接判决，模糊了传统目标识别技术中特征工程与模板匹配之间的界限。但在目标识别原理方面，它们之间又是一致的，即都是基于历史信息进行目标识别，传统目标识别技术需要构建模板库，基于深度学习的目标识别技术需要构建训练数据集，并且模板库与训练数据集只是称谓不同，两者实质上是相同的。
[0004]可见，无论是传统目标识别技术，还是基于深度学习的目标识别技术，模板库或训练数据集的构建都是至关重要的。对于模板库包含相应类别信息的目标识别问题，即库内目标识别，现有方法可以进行准确识别。但对于模板库未包含相应类别信息的目标识别问题，即库外目标识别，现有方法缺乏有效的技术措施进行鉴别，往往会按照库内目标进行识别，这样不仅会导致目标识别错误，同时也会导致新的目标类别无法被及时发现，进而无法快速扩充模板库。因此，有必要进一步开展库外目标识别技术研究。

技术实现思路

[0005]本专利技术实施例的目的是提供一种库外目标识别方法及装置，为库外目标识别问题提供一种有效的解决方案。具体技术方案如下：
[0006]第一方面，本专利技术实施例提供了一种库外目标识别方法，所述方法包括：
[0007]根据目标识别数据库，构建目标识别贝叶斯神经网络f({W})，网络输入层的输入维度由目标识别数据库中的样本数据维度决定，网络输出层的输出维度与目标识别数据库中的目标类别数量一致，输出层的激励函数采用Softmax函数，网络权重W服从概率分布，初始分布设定为p0(W)，其中{W}表示目标识别贝叶斯神经网络所有权重构成的集合；
[0008]采用变分推理方法对贝叶斯网络进行近似，设定网络权重W的变分分布为q
λ
(W)，网络损失函数为进一步采用重参数化技巧，把变分分布表示为W＝g(λ,ε)，其中λ为变分分布待优化参数，KL(
·
)为Kullback
‑
Leibler散度函数，D为根据目标识别数据库构建的训练数据集，由样本数据x和样本标签y构成，即(x,y)∈D，y为独热编码向量，大小与目标识别数据库中的目标类别数量一致，样本数据的对应类别位为1，其他位为0，q
{λ}
({W})表示贝叶斯神经网络所有网络权重的联合变分分布，p0({W})表示全部网络权重的联合初始分布，p(D|f({W}))为数据集D对应的似然函数，g(
·
)为关于λ的可导函数，ε为随机变量，为确定概率分布，不包含任何待优化参数；
[0009]在贝叶斯神经网络训练过程中，首先从训练数据集中抽样得到单次训练样本，然后通过对ε进行蒙特卡洛采样，得到确定网络权重W
M
＝g(λ,ε)，再然后通过神经网络的前向传播，计算网络输入样本数据x对应的网络输出并计算得到损失函数的蒙特卡洛估计其中N为单次训练样本数量，进一步基于损失函数估计，采用神经网络优化方法，通过把g(
·
)作为中间变量，对损失函数关于λ进行求导，实现损失函数梯度的后向传播和变分分布参数λ的优化，重复上述过程，对贝叶斯神经网络进行多次训练，直至网络识别能力满足需求，最终得到训练优化后的贝叶斯神经网络；
[0010]在使用贝叶斯神经网络对待识别数据目标类别进行预测时，M次输入待识别数据到训练后的贝叶斯神经网络中，计算网络输出对于每次输入，均重新对ε进行蒙特卡洛采样，之后基于得到的M次网络预测计算目标类别预测不确定度，如果不确定度大于设定的阈值，则判断目标为库外目标，如果不确定度小于设定的阈值，则判断目标为库内目标，并选择M次预测平均概率最高的类别作为目标预测类别。
[0011]第二方面，本专利技术实施例还提供了一种库外目标识别装置，所述装置包括：
[0012]贝叶斯神经网络模块，为设计的具体目标识别神经网络，网络输入层的输入维度由目标识别数据库中的样本数据维度决定，网络输出层的输出维度与目标识别数据库中的目标类别数量一致，网络权重服从概率分布；
[0013]贝叶斯神经网络变分推理近似模块，设定变分分布，并采用重参数化技巧，对贝叶斯神经网络进行近似；
[0014]贝叶斯神经网络损失函数计算模块，按照损失函数计算公式，在训练过程中对损失函数进行计算；
[0015]贝叶斯神经网络训练模块，根据贝叶斯神经网络变分推理近似结果，利用目标识别数据库构建的训练数据集，采用神经网络优化方法，对变分分布参数进行优化；
[0016]目标识别预测模块，利用训练好的贝叶斯神经网络，对于待识别数据，进行多次网络预测，并基于多次网络预测结果，计算目标类别预测不确定度，根据不确定度大小判断目标为库外或库内目标，对于库内目标，进一步根据预测结果，判断目标类别。
[0017]本专利技术实施例提出的一种库外目标识别方法及装置，可提供一种适用于雷达、电子侦察、卫星遥感、光电等探测设备的库外目标识别方法，在保证库内目标正确识别的同时，可有效对库外目标进行自动鉴别，进而可及时发现新的目标类别，以快速扩充目标模板库。
附图说明
[0018]为了更清本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种库外目标识别方法，其特征在于，包括以下步骤：步骤1：根据目标识别数据库，构建目标识别贝叶斯神经网络f({W})，网络输入层的输入维度由目标识别数据库中的样本数据维度决定，网络输出层的输出维度与目标识别数据库中的目标类别数量一致，输出层的激励函数采用Softmax函数，网络权重W服从概率分布，初始分布设定为p0(W)，其中{W}表示目标识别贝叶斯神经网络所有权重构成的集合；步骤2：采用变分推理方法对贝叶斯网络进行近似，设定网络权重W的变分分布为q
λ
(W)，网络损失函数为进一步采用重参数化技巧，把变分分布表示为W＝g(λ,ε)，其中λ为变分分布待优化参数，KL(
·
)为Kullback
‑
Leibler散度函数，D为根据目标识别数据库构建的训练数据集，由样本数据x和样本标签y构成，即(x,y)∈D，y为独热编码向量，大小与目标识别数据库中的目标类别数量一致，样本数据的对应类别位为1，其他位为0，q
{λ}
({W})表示贝叶斯神经网络所有网络权重的联合变分分布，p0({W})表示全部网络权重的联合初始分布，p(D|f({W}))为数据集D对应的似然函数，g(
·
)为关于λ的可导函数，ε为随机变量，为确定概率分布，不包含任何待优化参数；步骤3：在贝叶斯神经网络训练过程中，首先从训练数据集中抽样得到单次训练样本，然后通过对ε进行蒙特卡洛采样，得到确定网络权重W
M
＝g(λ,ε)，再然后通过神经网络的前向传播，计算网络输入样本数据x对应的网络输出并计算得到损失函数的蒙特卡洛估计其中N为单次训练样本数量，进一步基于损失函数估计，采用神经网络优化方法，通过把g(
·
)作为中间变量，对损失函数关于λ进行求导，实现损失函数梯度的后向传播和变分分布参数λ的优化，重复上述过程，对贝叶斯神经网络进行多次训练，直至网络识别能力满足需求，最终得到训练优化后的贝叶斯神经网络；步骤4：在使用贝叶斯神经网络对待识别数据目标类别进行预测时，M次输入待识别数据到训练后的贝叶斯神经网络中，计算网络输出对于每次输入，均重新对ε进行蒙特卡洛采样，之后基于得到的M次网络预测计算目标类别预测不确定度，如果不确定度大于设定的阈值，则判断目标为库外目标，如果不确定度小于设定的阈值，则判断目标为库内目标，并选择M次预测平均概率最高的类别作为目标预测类别。2.如权利要求1所述的一种库外目标识别方法，其特征在于，在步骤1中一种可行的目标识别贝叶斯神经网络构建方法是对现有的典型目标识别网络进行改造，重新设定网络权重服从概率分布，从而快速创建目标识别贝叶斯神经网络，譬如可用于图像数据分类的VGG网络、Inception网络、ResNet网络、DenseNet网络，可用于向量或时序向量数据的LSTM网络、GRU网络、Transformer网络、全连接网络。3.如权利要求1所述的一种库外目标识别方法，其特征在于，在步骤2中可假设贝叶斯神经网络网络权重之间是相互独立的，此时网络损失函数可表示为其中网络损失函数中的KL
[q
λ
(W)||p0(W)]部分一般可求得准确或近似表达式。4.如权利要求1所述的一种库外目标识别方法，其特征在于，在步骤2中一种网络权重变分分布设置方式为设置q
λ
(W)为高斯分布，即采用重参数化技巧，网络权重可表示为W＝g(λ,ε)＝λ
μ
+λ
σ
·
ε，其中ε服从均值为0，方差为1的正态分布，在训练过程...

【专利技术属性】
技术研发人员：崔亚奇，熊伟，刘瑜，唐田田，夏沭涛，于艺伟，但波，熊振宇，徐平亮，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：